AR 中的 SLAM（即时定位与地图构建）通常依赖于能够在移动硬件的约束下，平衡实时性能与准确性的算法。主要算法包括基于特征的方法，如 ORB-SLAM；直接法，如 LSD-SLAM；以及传感器融合方法，如视觉惯性里程计 (VIO)。这些算法使 AR 设备能够绘制环境地图并跟踪其在其中的位置，这对于在物理世界中一致地叠加数字内容至关重要。每种方法在计算效率、稳健性和地图密度方面都有权衡，使其适用于不同的 AR 用例。
ORB-SLAM 是一种广泛使用的基于特征的算法，它从相机帧中提取 ORB（Oriented FAST and Rotated BRIEF）特征来构建稀疏地图。它在三个并行线程中运行，分别用于跟踪、地图构建和循环闭合检测，这有助于纠正随时间推移的漂移。例如，ORB-SLAM2 支持单目、立体和 RGB-D 相机，使其能够适应具有不同传感器设置的 AR 设备。但是，它对稀疏特征的依赖会限制其处理无纹理表面的能力。相比之下，LSD-SLAM（Large-Scale Direct SLAM）使用直接法，处理像素强度数据以创建半稠密地图。这种方法在低纹理环境中效果更好，但需要更多的计算资源，这可能会对移动 AR 设备构成挑战。这两种算法都是开源的，允许开发人员针对特定的 AR 应用程序对其进行自定义。
像 Google 的 ARCore 和 Apple 的 ARKit 这样的行业框架抽象了 SLAM 实现，但依赖于针对移动硬件优化的底层算法。 ARCore 使用 VIO，将相机数据与设备 IMU（加速度计和陀螺仪）中的惯性测量相结合，以提高跟踪稳定性。 ARKit 采用类似的技术，在新机型中利用 iPhone 的 LiDAR 扫描仪进行深度感知和稠密地图构建。这些框架优先考虑实时性能和电源效率，通常会牺牲地图细节以获得更流畅的 AR 体验。对于构建自定义解决方案的开发人员来说，混合方法（例如，将基于特征的跟踪与惯性数据相结合）越来越受欢迎。此外，机器学习的进步，如语义 SLAM，正在被探索以增强环境理解，尽管由于计算需求，这些方法尚未成为主流。选择正确的算法取决于设备能力、环境条件以及 AR 应用程序所需的细节级别等因素。